舒张功能评估的金标准是通过有创的压力容积环直接测量心肌的顺应性，然而由于技术复杂和对患者本身的创伤性，其在临床中几乎不采用。多项研究表明，通过超声心动图的脉冲多普勒和组织多普勒技术得到的常规变量与侵入性测量的舒张压之间有较强的相关性^［5-6］。因此，超声心动图作为一种无创、便捷的临床影像检查手段，成为临床评价舒张功能的首选。评估需要根据美国超声心动图学会（American Society of Echocardiography，ASE）和欧洲心血管成像协会（European Association of Cardiovascular Imaging，EACVI）发布的推荐指南，并在超声诊断报告中给予舒张功能相关参数、诊断与分级。最新指南中提供的左心室舒张功能评估和分级方法是依据多个二维和多普勒参数，并规定了相关指标的临床意义、适用条件和评估流程^［7］。该指南于2009年发布，2016年更新。2009年发布的指南中列出9个参数和3种算法用于舒张功能分级，步骤相对复杂；在2016年更新版本中，简化为4个核心参数：舒张早期二尖瓣环速度（e'）、舒张早期二尖瓣充盈速度（E）与e'之间的比率（E/e'）、左心房容积指数（left atrial volume index，LAVI）和三尖瓣反流速度。同时推荐了2种不同的算法：对于左心室射血分数（left ventricular ejection fraction，LVEF）正常（LVEF≥50%）的患者，主要筛查是否存在舒张功能障碍；对于LVEF降低（LVEF<50%）或疑似舒张功能障碍的患者则需要评估左心室充盈压和进行舒张功能分级。

相较于2009年发布的版本，最新指南需要测量的参数更少，评估流程也更加简便，但其检测舒张功能障碍（尤其是1级）的敏感度明显降低。研究发现，依据2009年发布指南的算法，1000例个体（平均年龄62岁）的舒张功能障碍发病率为38.1%，而依据2016年更新指南的指导方针，其发病率仅为1.4%^［8］。然而，这种差异并不会影响临床对这部分患者的治疗和干预措施。研究表明，新版指南与临床B型钠尿肽（brain natriuretic peptide，BNP）水平、心力衰竭程度和心血管结局有着更好的相关性^［9］。

即使新版指南的评估流程和指标得以简化，其在临床仍未得到广泛的认知和遵循。近期，国外一项关于临床超声检查遵守指南中算法的随机调查报告中指出^［10］：在LVEF正常的患者中，约有65%的舒张功能正常的患者被错误分类为Ⅰ级舒张功能障碍。在这部分患者中，E/e'比值作为评估左心室功能的首要参数，而忽略了其他指标。然而，根据2016年指南的建议，E/e'比值只是诊断左心室舒张功能障碍的推荐参数之一，而仅用E/e'>14不足以将这些患者归类为舒张功能障碍/左心室充盈压升高。在LVEF下降的心肌疾病患者中，约41%的Ⅰ级、Ⅱ级舒张功能障碍被误报为正常的患者。在这部分患者中，二尖瓣E/A比值在0.8~2之间被认为是舒张功能正常的充分条件，导致了部分患者被误判为正常。上述问题在临床较常见，是导致临床舒张功能评估报告不准确的重要因素。

除指南遵循问题之外，指南的算法本身也存在一定的局限性。首先是由于数据缺失导致的不确定性分类。调查显示，在连续收集的超声数据库中，10%~30%的病例会被纳入不确定性的舒张功能分类中^［11-12］。这些病例往往因为超声采集过程中图像质量不佳或切面不全导致无法准确得到相关参数，例如组织多普勒取样不规范，三尖瓣反流频谱缺失等。此外，存在混杂或共病因素会导致评估不准确。当患者合并肺动脉高压、心律失常、心动过速、瓣膜病等疾病时，疾病本身会直接影响相关的二维和多普勒参数，从而干扰舒张功能的判断。特别是随着疾病的进展，混杂因素往往变得更加普遍，并且常常与心力衰竭共存。例如，约1/3的最初表现为窦性心律的HFpEF患者很可能在4年内发生心房颤动^［13］。当心房颤动存在时，常规E/e'与有创充盈压的相关性就难以保证^［14］。另外，瓣膜性疾病的混杂也十分常见，其往往使二尖瓣充盈模式（E/A）发生改变。据大数据统计，约16万例的超声心动图研究中，就有1.6%存在轻度或中度以上的二尖瓣狭窄，1.2%患有中度或重度二尖瓣环钙化，3.3%存在中度以上二尖瓣反流。因此，在临床中不能忽视共病因素的影响，否则舒张功能的诊断结论是不可靠的。

机器学习是AI处理医学问题的重要方法，在简化工作流程、自动化测量和精准识别病灶等方面具有巨大的潜力^［15］。其主要分为监督学习和无监督学习两大类。监督学习指使用标记有重要特征、结果或诊断的数据进行训练的算法，在心脏领域中通常解决分类任务，如疾病诊断与鉴别诊断。其方法包括支持向量机、随机森林和神经网络（深度学习）等。目前，关于AI在超声心动图方面的研究很多，例如将深度学习与卷积神经网络应用于超声心动图的视图分类^［16］，利用机器学习模型评估以识别和量化局部室壁运动异常，利用深度学习算法建立心肌梗死自动诊断模型等^［17］。无监督学习指的是从未标记的输入数据中学习以执行所需任务的算法。聚类分析就是典型例子，其可将具有相似超声心动图变量值的患者进行分组，以发现疾病进展过程中的新阶段，或者在一个大的异质性队列中发现同质亚组。迄今为止，机器学习在超声心动图中的应用已成功实现了图像自动化分割，心室容积计算和射血分数等收缩功能指标的评估^［18］。考虑到上述方法的优势和适用性，AI在解决更复杂的问题上例如舒张功能评估方面得到广泛关注和积极探索。

很多心血管疾病早期包括高血压、冠心病、心力衰竭特别是HFpEF均主要表现为舒张功能下降。因此，舒张功能相关变量对发现早期病变、鉴别相似疾病具有重要价值。Choi等^［19］测试了利用不同的机器学习算法，通过一系列临床、血液、心电图和包括舒张功能在内的超声心动图变量诊断HFpEF和收缩期心力衰竭的能力。其中，超声心动图变量包括射血分数、左心室质量指数、游离壁E/e'以及三尖瓣反流最大速度。结果显示机器学习与医师诊断HFpEF的一致性为99.6%。Sengupta等^［20］则应用关联记忆分类器开发了一套区分缩窄性心包炎与限制性心肌病的模型。他们的研究发现仅使用应变等二维斑点追踪参数时，分类的ROC曲线下面积为0.89；当模型融合左心室后壁厚度、室间隔厚度、二尖瓣e'和E/e'等舒张功能相关变量时，ROC曲线下面积显著提升至0.96。Hubert等^［21］的研究报告了一种新的方法来评估舒张功能，研究者首先应用二维斑点追踪软件获得了左心室应变-容积曲线。然而，他们发现通过应变-容积环面积（strain volume loop，SVL）区分淀粉样变与HFpEF，ROC曲线下面积仅为0.76；当应用机器学习的方法将SVL与常规舒张功能相关超声心动图参数进行整合时，ROC曲线下面积增加至0.91。上述研究均充分表明机器学习整合舒张功能参数可提升识别、诊断和鉴别疾病的能力。

同一种心脏疾病可能在不同的人或疾病发展阶段有不同的表现和预后。特别对于心力衰竭患者，LVEF水平在急性进展过程中可能变异很大，也可能在慢性代偿期几乎不变，因此传统的仅依据LVEF进行分类很难针对性地指导患者用药及治疗。因此，更多的有关心力衰竭的表型和分类被挖掘出来，从而有利于实现临床个性化诊疗。例如，利用机器学习的优势，Nouraei等^［22］使用超声心动图变量包括LAVI、质量指数、E/A、平均E/e'、三尖瓣反流最大速度等发现了HFpEF患者的6组表型，其在舒张功能障碍等级、临床表现和临床终点方面存在差异。同样，Segar等^［23］发现了HFpEF的3个表型，其在BNP、共病、死亡率和住院率方面存在差异。其中E/A比值和左心房面积是预测表型群最佳的2个变量。在急性心力衰竭入院的患者中，Horiuchi等^［24］对临床相关指标进行了聚类分析，得出了舒张功能、死亡和再入院风险不同的3个表型组。Mishra等^［25］对稳定的冠状动脉疾病患者进行了7年随访，并对临床和超声心动图数据进行聚类分析，发现了4个表型组，其舒张功能障碍等级和住院风险不同。关于机器学习对非心脏性慢性疾病的独特见解也可能与舒张功能变量有关。Pecková等^［26］研究了2型糖尿病患者心脏舒张功能与肾功能之间的关系。研究使用无监督机器学习聚类发现了肾功能受损的2个亚组，与心脏充盈模式（E/e'）有显著相关性。这些研究突出了机器学习创建新的分组或分类的能力，可以为心力衰竭以及心力衰竭以外的多种疾病提供有价值的指导和预测。

依据传统的超声参数界值分类舒张功能等级的方法有一定局限性，特别是在参数缺失导致舒张功能不确定时会影响对患者健康状态的监测和把控。因此，探寻新的可代替指标或者新的分级方法是研究的重点。例如，Omar等^［27］研究了左心室和左心房应变相关变量是否可以独立于常规多普勒参数评估左心室舒张功能。研究对130例有心力衰竭症状患者的9个应力变量进行聚类分析。机器学习产生了3个聚类，并在另外44例患者中进行了侵入性验证，发现左心房和左心室应变与左心室充盈压力具有较好的一致性。Pandey等^［28］则尝试了运用深度学习的方法从超声心动图数据中评估舒张功能。首先通过拓扑数据分析，对指南舒张期评估所需的多个参数进行分析，在聚类的帮助下定义了两个核心网络区域即心力衰竭住院或心源性死亡的高风险和低风险区，这有利于对患者进行针对性的治疗。Lancaster等^［29］对866例进行常规心功能评估的患者进行了舒张功能参数分析，通过无监督机器学习聚类分析发现了两个族群。根据ASE/EACVI指南算法，第一个较大的集群（n=460，82%）主要包含指南分类的“正常”舒张功能和少量“减低”舒张功能，而第二个较小的集群（n=99，18%）主要包含指南分类的大量舒张功能障碍和“不确定”型。此外，与ASE/EACVI指南相比，该研究采用的机器学习舒张功能障碍筛查算法能更好地预测无事件生存期和再住院率。